中国高等学校和科研机构社会学术地位排名研究

通过统计分析中国高等学校和科研机构人员在中国科协和中国科协所属全国学会的任职人数情况,考察中国高等学校和科研机构的社会学术地位,据此给出了社会学术地位排名前100位的中国高等学校和科研机构名单。其中,社会学术地位排名前10位的中国高等学校是:清华大学,北京大学,浙江大学,中国农业大学,上海交通大学,复旦大学,北京航空航天大学,南京大学,西安交通大学,四川大学和同济大学(两校并列第十);社会学术地位排名前10位的中国科研机构分别是:中国科学院动物研究所,军事医学科学院,中国科学院数学与系统科学研究院,中国科学院地质与地球物理研究所、中国科学院声学研究所和中国社会科学院(3个单位并列第四),中国科学院地理科学与资源研究所,中国科学院植物研究所,中国计量科学研究院,中国地质科学院和中国中医科学院(2个单位并列第十)。     

基于GAN的通信干扰波形生成技术

现有通信干扰方法,通常基于通信侦察中获取的目标信号特征进行干扰决策,选取合适的干扰波形实施干扰,难以应对目标信号特征未知或参数动态变化的情况.为此,提出一种基于生成对抗网络(generative adversarial networks,GAN)的通信干扰波形生成技术,运用GAN直接提取目标信号的潜在特征,并生成与目标...     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时,为满足用户动态变化的带宽需求,虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值,一定程度上造成了资源浪费.针对这一问题,提出一种基于混合流量预测的虚拟网络拓扑重构方法,利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测,根据流量预测结果进行拓扑重构,在避免出现乒乓效应的同时节省更...     

2019年微纳米力学热点回眸

微纳米尺度下材料的力学性能与样品的尺寸和表界面等物理量密切相关,因此纳米材料的力学性能可以在很大范围内进行高效的调节,使得纳米材料能够拥有超轻、超硬、以及高断裂强度和高韧性等卓越的力学性能。从尺度缺陷效应和生长机理、屈曲机理分析和应用、界面力学性能和应用、生物和软物质力学性能、软体机器人、机器学习等方面盘点了微纳米力学2019年取得的研究成果。     

基于深度学习的含未知复合故障多传感器信号故障诊断

深度学习在故障诊断领域的应用已比较成熟,其中卷积神经网络(CNN, convolution neural networks)和长短时记忆网络(LSTM, long short-term memory networks)就是典型模型之一。CNN作为一种常用的多传感器信号故障诊断方法,能够获得较好的诊断效果,却无法实现未知复合故障的诊断,为解决这个问题,提出CNN-LSTM-FCM(fuzzy C-means)模型。LSTM对具有前后联系的时间信号更敏感,利用这个特点将LSTM与CNN相结合,实现未知信号的诊断,并通过概率分类输出实现了复合故障的解耦,CNN-LSTM-FCM模型本身优化参数设计,进一步提高了诊断精度。使用化学过程故障测量数据进行实验,结果表明CNN-LSTM-FCM模型诊断准确率可达到97.15%,优于CNN模型和LSTM模型,具有较高的应用价值。     

一种元-卷积网络和持续学习融合的洞库类目标识别方法

洞库类目标是高价值识别目标,针对洞库类目标样本数据难以获得、样本内部数据相似度较高、人工设计识别特征方法局限性较大、普通深度网络需要海量数据等问题,提出了结合元学习和深度卷积网络的元-卷积网络(MCNN),并融合持续学习理论的洞库类目标识别方法(MCNN-LLS).首先结合深度卷积网络、元学习的理论建立元-卷积网络,该网络可利用旧知识指导新知识的训练,利用小样本数据即可训练得到识别能力较高的深度洞库模型;然后融合持续学习理论,建立持续学习系统(LLS),设计专家审核模型判别深度洞库模型的识别结果,并引入潜在任务、模型异步更新等方法,达到模型持续学习、持续更新的效果.实验表明,本文方法所需样本数量少,对洞库类目标识别准确率高,且识别能力可随识别过程中新数据的积累逐步提高.     

基于深度学习的风力发电机组故障预警方法研究综述

风能作为重要的可再生能源,近几十年来,全球风能使用规模迅速增长,陆上和海上风力发电机组发电容量不断增加。由于风力发电机组故障维修成本巨大,因此必须开发有效且可靠的风力发电机组故障预警方法,在风电机组发生故障前进行提前预警,以便降低风电场的运营和维护成本。目前风电机组数据采集与监视控制系统(supervisory control and data acquisition, SCADA)已经在风电场有了广泛的应用,其中蕴含着大量的潜在数据信息,同时深度学习方法在海量数据挖掘方面有比较明显的优势,因此深度学习方法在风力发电机组故障预警领域的应用潜力巨大。综述了近年来相关深度学习方法在风力发电机组故障预警的研究进展,总结了风电机组故障预警的大体步骤,分析了各个步骤的具体处理方法,对每种技术方法的特点进行整理分析。最后阐述了深度学习在风电机组故障预警领域所面临的挑战,并对今后的研究重点进行了展望。     

基于生成型深信度网络的回归算法鲁棒性分析

目前,深度学习在分类问题中取得了很多很好的效果,并开始在部分回归任务得到应用。然而,绝大部分研究重点都集中在相对其他回归算法的预报精度上,而忽视了有实际应用需求的回归算法预报鲁棒性问题。首先基于受限的玻尔兹曼机建立了一个具有3个隐含层的生成型深信度网络多步预测模型;然后,建立了基于单隐含层神经网络、三个隐含层的神经网络以及单核支持向量的典型多步预测模型,并利用4组宁夏地区不同季节的风速数据进行回归算法的稳定性对比实验。实验结果显示,基于受限玻尔兹曼机建立的具有三个隐含层的深信度网络模型的多步预报误差的均值和方差都是最小的。因此,基于生成型深信度网络的回归模型不仅预报精度高,而且此预报算法的鲁棒性也比较好;相对其他三种典型回归算法来说,可以更好地满足风电场风速预报问题的实际工程应用需求。     

基于出动效率最大的离场优化排序

飞机离场优化排序对于缓解跑道拥挤现象、提升作战体系出动效率具有重要意义。针对军航双跑道离场优化排序问题,首先建立了基于飞机在预定空域形成“任务包”时间最小为目标函数的优化排序模型,然后设计了一种基于精英反向学习策略和黏菌觅食行为的改进海洋捕食者算法进行求解,最后通过一个仿真实验,与其他算法的优化结果进行对比,改进的海洋捕食者算法使得“任务包”形成时间明显缩短,有效提升了作战飞机的出动效率,可以应用于解决飞机离场优化排序问题。